摘要：针对大米碾白设备连续运行中工况波动导致参数漂移与大米加工质量下降问题，提出一种基于数据驱动的在线测试与自适应寻优技术。测试系统提取加工设备主轴高频振动能量与电机有功电流特征，引入带遗忘因子的递推最小二乘法，在边缘测实时反演动态碾白间隙与阻力。基于测算结果，控制模块构建前馈死区策略对进料量与阻力门进行闭环调节。现场测试结果表明，在线测试技术将碾白间隙估算误差控制在0.18mm内，显著降低整精米率波动方差，吨谷电耗下降约4.5%。

　　关键词：大米加工设备；数据驱动；参数设置；自适应控制；试验验证

　　1.引言

　　传统大米加工工艺中，碾白室内部动态间隙与压力等机械参数主要依赖操作人员停机依靠经验进行调整。这种静态测量与调整方式滞后性强，极易在原粮含水率发生连续自然波动时引发欠碾或过碾现象。由于碾白室内处于高粉尘气固两相流工况，企业加装高精度接触式传感器极易受损。同时，传统物理仿真模型计算量庞大，可编程逻辑控制器（Programmable Logic Controller，PLC）难以实现毫秒级解算，致使测试系统与底层需求相脱节[1]。针对此种问题，研究提出一种不改变碾白室主机结构的低成本数据驱动在线测试方法，依托电机三相电流与高频振动数据，在边缘侧通过反演测试设备核心参数，并引入带有死区的前馈闭环控制律，为企业实现机械参数向大米加工质量的闭环映射提供可行路径。

　　2.机械参数及性能测试技术构建

　　2.1运行数据获取与特征提取

　　粮食加工装备的宏观能耗表现与内部物理工作状态存在确切的相关关系。碾米机主轴高频振动能量直接反映砂辊与米粒物理摩擦程度，主电机有功电流的大小表征稻谷物料聚集造成的阻力矩变化。在主轴非驱动端轴承座外部刚性连接压电式三轴加速度传感器，在控制中心加装智能电表以获取高频物理参量[2]。如图1所示，测试系统总体采用“感知-测算-控制”闭环拓扑架构。底层设备通过多源传感网络实时采集原态数据，上传至边缘网关执行特征提取与参数反演。系统据此生成自适应前馈指令，并下发至进出料执行机构，实现机械参数与大米加工品质的实时闭环调控。

　　为滤除电磁干扰并降低网络负载，边缘计算节点对高频振动信号执行包络计算，提取轴向振动均方根数据，该有效能量特征连同三相电流有效值与进料频率共同构成实时状态特征向量，为测算方程提供高密度数据源。

　　2.2动态碾白间隙在线递推测算

　　设定实时状态特征向量代表前端传感器获取的多维特征集合，目标测试参数定义为当前物理状态下的动态碾白间隙预测值。实际生产中砂辊物理磨损与原粮物性变化要求测算模型具备自适应能力。测算模块构建带遗忘因子的递推最小二乘法（Forgetting Factor Recursive Least Squares，FF-RLS）参数更新模型。为抑制陈旧数据干扰，特征参数向量依据增益矩阵与测算偏差进行动态调整[3]：

　　式中：θk为k时刻更新的参数向量；kk为控制步长的增益矩阵；y(k)为动态碾白间隙参考输出值（mm）；Xk为k时刻提取的状态特征向量。
　　增益矩阵的计算依赖误差协方差矩阵迭代。系统引入遗忘因子调节历史数据权重，迭代公式如下：

　　2.4基于测试数据的参数前馈调节

　　传统定频喂料方式极易因料仓底层压力失稳诱发碾白室内负载突变，进而导致机械拥堵。依据方程实时测算输出的当量阻力及间隙参数，控制模块设计出自适应闭环调节机制。控制动作作用于变频进料辊转速与阻力门电机[5]。为防止执行机构因微小抖动频繁误动作，系统采用包含数据前馈补偿与误差死区判断的进料控制律如下：

       式中：u(k)为控制器输出指令；Kp为比例增益系数；Ki为积分增益系数；e(k)为引入死区后的跟踪误差（mm），当测算间隙与目标绝对差值小于设定阈值时误差归零；fdata(Xk)为根据历史特征生成的补偿项[6]。

　　3.测试技术现场实验验证

　　3.1车间对比测试方案设计

　　现场测试场景设置在日加工量1000 t的碾米车间，验证对象选用MNML系列立式砂辊碾米机。现场遵循平行对照原则：1号设备为对照组，维持原厂固定进料频率，操作人员依据经验手动调节阻力门；2号设备为实验组，实施研究的技术方案，边缘网关实时运行数据驱动算法。如图2所示，现场测点布置严格遵循非侵入式原则，加速度传感器与智能电表分别部署于主轴外部及电机控制中心。两路高频传感信号同步接入车间边缘网关，网关内部高度集成数据采集、算法核心与通信模块，实现底层数据的边缘侧即时解析，并低延迟驱动现场执行终端动作。

　　车间人员将两组设备连续投入30个生产班次，加工平均含水率14.5%的籼稻。网关按100 ms周期采集高频参量。每班停机清扫中，检验人员使用塞尺复测碾白室物理间隙。检测人员同步抽取样本检验加工后大米增碎率及整精米率，采集设备同步记录耗电量核算吨谷电耗。

　　3.2测试精度与加工结果讨论

　　3.2.1间隙测算误差与碎米率分析

　　测试系统提取停机前最后5 s间隙测算数值与塞尺实测值进行比对，汇总样本测试结果。核心运行数据与精度的算术平均值如表1所示。

　　依据表1数据可知，实验组搭载的在线测算模型将碾白间隙最大绝对误差严格控制在0.18 mm。该精度优于常规工程偏差，证明融合振动与电流特征的递推算法有效克服了高粉尘工况干扰。加工品质层面，对照组因缺乏波动感知，固化参数模式导致物料挤压，增碎率达1.82%。实验组凭借精准间隙测算数据执行前馈指令，自适应死区遏制了过度调节引发的应力破坏。该组设备增碎率降至1.15%，质量合格率由0.82跃升至0.94，验证了技术有效性。

　　3.2.2吨谷电耗与工况稳定性分析

　　研究提取主电机累计耗电量及对应产出大米总质量，考察设备在满负荷工况下的进料状态及整精米波动表现，统计指标如表2所示。

　　结合表2可知，对照组进料频率被强制恒定，丧失了针对流量波动的追踪能力。遭遇硬度较高粮源时，电机陷入低效高阻做功，吨谷电耗达18.5 kW·h/t。实验组依照在线测算的机械状态实施动态进料调节，前馈跟进策略促使电机贴合理想效能区间，将吨谷电耗压降至17.6 kW·h/t。对照组整精米率方差达4.25，连续加工品质起伏剧烈；实验组通过参数闭环跟随将工况外在扰动吸收于死区前馈机制内部，整精米率平均值提升至69.8%，波动方差压缩至0.85，实现了运转能效与品质稳定性的改善。

　　4.结论

　　（1）针对传统传感模式难以适应恶劣环境的难题，研究构建了基于实测数据驱动的参数在线测试方法。该方法提取加速度传感器与电表高频参量，引入带遗忘因子的递推最小二乘法进行参数反演，将碾白间隙测算最大绝对误差控制在0.18 mm内。

　　（2）依据实时测算碾白间隙参量，控制模块执行包含前馈补偿与误差死区判断的控制策略。现场实验证实，该技术将大米加工设备增碎率降至1.15%，吨谷电耗降至17.6 kW·h/t，整精米率方差压缩至0.85，设备抗扰动能力显著增强。

　参考文献：

　　[1]张恒达,李生龙,张成林,等.谷物加工设备智能化发展与实践[J].中国食品学报,2025,25(1):1-11.

　　[2]鲁久林,朱宝成.粮油加工中设备运维系统研究综述[J].粮食与食品工业,2024,31(2):13-15,20.

　　[3]马铭.基于数据驱动模型的转子系统参数辨识方法研究[D].大连:大连理工大学,2025.

　　[4]片锦香,李根.基于数据驱动的机械主轴关键参数优化[J].控制工程,2025,32(5):1042-1050.

　　[5]崔金星,邓烁,彭艳,等.工业数据驱动的轧机振动预测和工艺优化[J].振动.测试与诊断,2022,42(1):110-116,198.

　　[6]褚学宁,陈汉斯,马红占.性能数据驱动的机械产品关键设计参数识别方法[J].机械工程学报,2020,57(3):185-196.